多智能体系统效率实证：并行任务性能提升80.9%，但顺序依赖任务下降超70%_服务软件

1. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

2. #华为折叠屏首发A2A智能体协作#新一代的华为Mate X7又将折叠屏体验拉满！作为行业首个实现A2A智能体协作商用的机型，小艺不再是单一助手，而是能联动多个应用智能体的"超级协作中枢"。旗舰芯片的强悍算力加持，让智能体间的任务流转、数据互通零延迟，彻底解决了折叠屏多任务适配差、操作割裂的老问题。这不仅是小艺智能体的实力爆发，更给折叠屏定下了"智能协同"的新赛道，期待实际上手体验！

3. 雇佣过目即忘的天才：为什么企业级AI总在浪费钱？| 甲子光年

4. #一分钟视频创作季# 智能体进入到需求侧与供给侧形成双重驱动。2026 年全球 AI 智能体市场规模将达 115.5 亿美元，较 2025 年实现 45.8% 的高速增长。中国市场增速更为迅猛，行业测算显示 2025 年国内企业级智能体市场约 109 亿元，未来三年复合增速超 211%，2026 年有望突破 300 亿元大关。消费电子与企业服务是核心增长点， 2026 年将有超 30% 的企业软件内置智能体能力，2026 年部署生成式 AI 智能体的企业比例将从 2025 年的 25% 翻倍至 50%，62% 的投资方预期实现 100% 以上回报。消费电子、网络安全、供应链管理成为投资热点，端侧与云端协同的混合架构将吸引更多资本布局。#AI创造营##财经朋友圈# 种斌Marco的微博视频

5. Google 最新的白皮书，很值得收藏！《Introduction to Agents》，这个白皮书几乎可以看作是对“智能体时代”正式宣言。它系统地定义一种新型软件范式——让模型能自主思考、决策和执行。AI 正在从“预测”走向“行动”。1. 从预测式AI到行动式AI过去的AI是“被动的”：模型接收输入、生成输出，一问一答。但这篇文档开篇就指出，我们正在经历一次范式转变——从“预测AI（Predictive AI）”到“自主智能体（Autonomous Agents）”。智能体的关键区别在于：它不再等人指令，而是能围绕目标自我规划、行动、再评估。Google 把这类系统定义为一个闭环结构：LLM + 工具 + 编排层 + 部署环境。LLM提供推理，工具执行动作，编排层控制整个“思考—行动—观察”的循环，而部署让智能体能长期运行和被复用。2. 智能体的工作循环：Think–Act–Observe文档用一个非常清晰的五步模型解释智能体的工作方式：1. 获取任务（Get the mission）2. 扫描场景（Scan the scene）3. 思考计划（Think it through）4. 执行动作（Take action）5. 观察反馈（Observe & iterate）这一循环让智能体具备了真正的“任务感”。举个例子：用户问“我的订单在哪？”，智能体不会立刻回答，而是分解出“查订单→查物流→整合结果→回复”的完整路径。我特别喜欢它强调的那句话：智能体的本质，是上下文窗口的策展人（curator of context window）。——它不断组织、更新、过滤信息，让模型始终聚焦在当前任务最关键的上下文上。3. 智能体的分级：从单脑到群体这份白皮书提出了一个五层级的智能体体系：Level 0：仅推理模型（纯LLM）Level 1：能调用外部工具的“连接型问题解决者”Level 2：具备策略规划与上下文工程能力的“战略型智能体”Level 3：多智能体协作系统（类似团队协作）Level 4：自我演化系统（能创造新工具或子智能体）这一分级体系几乎可以当作企业部署智能体架构的路线图——从简单的调用API，到让智能体学会分工合作，最后走向能自我改进的“学习型组织”。4. 三大核心组件：脑、手与神经系统Google 把智能体拆成三个核心部分：1. Model（脑）：推理与决策中心，负责思考。2. Tools（手）：执行动作的能力，比如RAG、API、代码执行。3. Orchestration Layer（神经系统）：调度逻辑、记忆与策略，实现“Think–Act–Observe”循环。有一个关键点：他们认为模型并不是越大越好，而是要根据任务选择最优组合——复杂任务用强模型（如Gemini Pro），高频简单任务则用轻模型（如Gemini Flash）。这种模型分层调度的思路对未来Agent架构很关键。5. Agent Ops：智能体的运维哲学文档中提出了一个新概念——Agent Ops。它相当于 DevOps 在智能体时代的延伸。因为智能体行为具有不确定性，传统的“单元测试=预期输出”已经失效。Agent Ops 的目标是通过指标驱动、日志追踪、模型评审和用户反馈闭环，让系统在不确定中保持可靠。一个新的职位或部门来了？Agent Ops6. 安全与治理：从单Agent到Agent Fleet当智能体数量增多，问题就从“怎么造一个Agent”变成“如何管理一群Agent”。Google 提出的解决思路是建立控制面板（Control Plane），统一管理身份、权限和通信协议（MCP/A2A），避免Agent Spraw（智能体泛滥失控）。有意思的是，文中引入了“Agent作为新型主体（principal）”的概念，认为Agent不只是代码，而是一种能独立被认证、被授信的行动体。7. 学习与自演化：Agent Gym 的想象力最后几章讨论了“Agent如何自我进化”。Google 提出了一个概念叫 Agent Gym，类似模拟环境，用来让智能体在离线条件下训练、演练、红队测试、吸收人类反馈，从而“成长”。这个暂时用不上，估计大公司比较有资源搞。——这两个新的点，之前没深刻理解：1. Agent = 新的软件范式。过去我们以为“智能体”只是“会用工具的模型”，但Google用这份文档明确告诉大家——Agent是一种新的软件范式。它不是应用AI，而是用AI重新定义应用。2. Agent的核心不在“思考”，而在编排（orchestration）。未来的开发者更像导演而不是程序员——我们要设计场景、挑演员、布置镜头，让智能体自然演出目标行为。#ai创造营##科技#

6. Multi-Agent Collaboration via Evolving Orchestration这篇论文提出了一个极具启发性的多智能体协作框架：让整个多智能体系统由一个可学习的 “木偶师（Puppeteer）” 动态调度所有智能体（Puppets）这个框架，旨在通过解决现有系统固有的静态组织结构问题，来优化大型语言模型（LLM）的多智能体协作。其核心思想是利用一个集中式协调器，像木偶师一样，根据任务的动态变化来动态指导和调度专业化代理的激活顺序。这种协调器通过强化学习进行训练，其奖励函数旨在同时最大化解决方案的质量和计算效率，例如减少令牌消耗。实验结果表明，该方法在各种任务中实现了卓越的性能，同时显著降低了计算开销，证明了其可扩展性。分析进一步揭示，经过优化的协调机制促使多智能体系统形成了更紧凑且具有循环反馈的推理拓扑结构，超越了传统的链式或树状模型。1 研究提出的问题：当前 MAS 存在的根本瓶颈1）当前大多数多智能体系统采用静态结构，例如固定流程、固定 DAG、固定角色协作方式。2）当任务复杂度提升或智能体数量增加时，静态架构会出现协调开销大、冗余调用多、效率下降等问题。3）某些智能体在任务中实际贡献有限，但静态结构依然会触发它们，导致 Token 浪费甚至干扰推理。4）在软件生成、复杂问答、开放域推理这些任务中，多智能体之间真正有效的协作模式往往因任务不同而变化，这很难靠人工预设计完成。因此，论文提出一个关键问题：能否让一个系统自动“学会”如何调度智能体，而不是用固定协作结构？2 核心思想：木偶师式动态调度（Puppeteer Paradigm）智能体是“木偶”，一个中央控制器是“木偶师”，其任务是在推理过程中动态决定谁上场、谁退场。整体架构包含三个关键点：1）让一个中央 orchestrator（木偶师）在每一步根据当前任务状态，选择一个最合适的智能体执行下一步推理。2）这个 orchestrator 会在任务执行后得到奖励（正确性 + 计算成本），并通过强化学习不断优化调度策略。3）虽然过程是序列化的（每步一个 agent），但整个推理轨迹可以折叠成一个动态生成的有向图，即“推理图谱（Graph-of-Thoughts）”。这意味着：1）系统可以随着任务自动形成树结构、图结构、循环结构等多种协作拓扑。2）协作不再依赖预定义流程，而是任务驱动、自适应、持续演化的。3 方法框架详细拆解论文的方法分成两个关键模块：3.1 动态编排（Dynamic Orchestration）1）将每个智能体表示为一个三元组（模型、推理模式、可用工具）。2）将多智能体协作建模为一个集中式决策过程：木偶师在时间 t 根据全局状态 Sₜ 选择一个 agent 执行推理。3）每个 agent 输出结果后更新全局状态，并交由木偶师继续选择下一个 agent。4）当遇到终止条件（例如 Terminator agent）时，系统停止并输出最终结果。这个决策过程严格满足马尔可夫性，天然适合强化学习：P(aₜ₊₁ | S₀, ..., Sₜ₊₁) = P(aₜ₊₁ | Sₜ₊₁)因此 orchestrator 可以真正做到基于实时状态的动态调控。3.2 自适应演化（Adaptive Evolution）论文使用 REINFORCE 算法优化 orchestrator 的策略 π：1）任务完成后一次性给出奖励 r（正确 1，错误 0，开放任务得分区间为 [0,1]）。2）每一步会设定成本 Cₜ（Token 或 FLOPs）。3）总回报为 r 减去 λ·成本，λ 是可调的效率权重。该设计促使 orchestrator 学会：1）更倾向使用高性价比的智能体2）避免冗余推理步骤3）尽快调用 Terminator 停止推理4）长期形成紧凑而高效的协作结构4 实验结果解析：性能提升 + 成本下降“双赢模式”1） Puppeteer 在几乎所有任务上都获得显著性能提升2）强化学习后的 evolved 版本比初始版本显著更强3）在 Titan 模型空间中，平均性能从 0.6893 提升到 0.77314）更重要的是 Token 开销随着训练反而下降，不是上升这与过去多智能体研究经常出现的“调用越多越好”形成鲜明对比。5 拓扑结构的演化：从链式到紧凑循环论文一个非常有趣的发现是：随着 orchestrator 训练，多智能体协作拓扑从松散 → 紧凑，从树结构 → 图结构，并出现大量循环。具体表现为：1）图密度增加2） agent 之间的循环次数增加3）反复调用少量“核心智能体”的情况越来越多4）冗余 agent 被逐步淘汰5）推理链路更短、更集中、更有效其背后的原因非常符合直觉：1）强 agent 往往值得重复调用2）循环（自我检查、跨 agent 校验）有益于复杂推理3）扩散式的树结构容易浪费 token4）强化学习会惩罚冗余推理，鼓励形成高效闭环可以认为，这是一种机器自动学习推理结构的过程，类似于“推理图谱的自组织”。#ai创造营# #科技#

7. 基于多 Agent 协作的智能营销闭环：洞察、触达与转化

8. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

9. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

10. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

11. #科技先锋官# 2026年AI代理预测将成为驱动产业效率革新的核心力量，也因此被业界定义为AI代理年。企业无需专业团队即可快速部署，让AI代理高端配置变为普惠工具，企业级需求的爆发成为核心推力。数据显示，2026年全球AI代理市场规模预计达85亿美元，企业级应用覆盖将超10万家。过去AI多聚焦单一基础场景，而AI代理可自主理解目标、规划流程并执行复杂任务，在客服、销售、运维等领域大幅提升效率，这种一站式解决能力精准匹配了企业降本增效的核心诉求。随着算力租赁模式成熟与国产芯片技术突破，2026年企业AI算力成本较上年再降40%。以往中小企业因百万级训练成本望而却步，如今通过按需租用模式，算力投入门槛降至传统模式的1/10，加上动态扩缩容技术提升资源利用率，即使是中小微企业也能负担AI代理应用，为市场爆发奠定了基础。AI代理已突破早期对话局限，具备多模态交互、上下文理解与跨系统集成能力。依托检索增强生成与自主学习技术，其任务处理准确率超95%，可无缝对接企业CRM、订单系统等核心平台。MaaS模式将复杂技术封装为标准化服务。#AI创造营##AI创作热点##一分钟视频创作季# 种斌Marco的微博视频

12. 【#华为折叠屏首发A2A智能体协作#】华为MateX7重磅实现A2A（AgenttoAgent）智能体协作商用，标志着折叠屏在系统层面完成革命性进化。首次亮相的A2A小艺智能体，打破传统应用“孤岛困境”，凭借强大的跨应用调度与协作能力，可联动多款APP智能体自主拆解任务、协同响应指令，让“一句话搞定复杂需求”成为现实。

13. 周末看完吴恩达 DeepLearning AI 「Agentic AI」的视频，整理了一下第二部分的笔记（第一部分：网页链接）四、实用的开发经验1. 评估：快速迭代，数据驱动在开发Agentic AI时，不要陷入长时间的理论讨论。最有效的方法是：1）快速构建一个MVP：无论初始版本多简陋，先让它跑起来。2）基于输出构建评估：将MVP的输出与人类专家结果或期望结果进行对比，找出最容易出错的环节，并针对这些薄弱点开始构建评估体系。3）持续迭代：评估系统不是一次性的，需要随着Agent的演进而不断优化。2. 构建评估体系的框架可以从两个维度来设计评估方法：- 评估方法：使用客观代码 vs. 使用LLM进行判断- 真实值可用性：有标准答案 vs. 无标准答案组合起来，形成四种主要策略：1）有真实值 + 代码评估：最客观可靠。例如，判断发票日期是否与预期一致，或使用正则表达式匹配关键信息。2）有真实值 + LLM评估：适用于需要理解内容或符合特定标准的任务。例如，在评估一篇研究文章的总结时，可以先提取原文中的关键观点，然后让LLM判断AI输出中包含了多少个必须存在的关键点。3）无真实值 + 代码评估：通过简单规则进行基础校验。例如，检查输出内容是否大于10个字符。4）无真实值 + LLM评估：最主观、也最灵活。完全依赖LLM根据一套评分标准进行判断。3. 优化与分析：从Trace入手Agent的出错点可能很多。一个关键习惯是分析执行轨迹（Trace）。通过对比每一步的中间输出与预期结果，可以精准定位需要优化的具体步骤。一个有效的方法是使用表格或Excel，统计每一步的错误发生率，从而将优化资源集中在错误最多、影响最大的环节。4. 组件级评估除了端到端的整体评估，对单个组件进行独立评估同样至关重要。这能让你更快速、更精准地测试和优化特定模块，而无需运行整个复杂的工作流。5. 优化LLM组件的性能当发现某个LLM组件是瓶颈时，可以从以下方面入手：1. 优化提示词2. 尝试不同的模型3. 将任务进一步细分4. 对模型进行微调作为开发者，培养对模型的“直觉”非常重要——了解哪种模型适合哪种任务，以及在性能、延迟和成本之间如何取得最佳平衡。一个提升直觉的好方法是：多阅读和研究其他人写的优秀提示词。6. 关于延迟与成本延迟和成本固然重要，但不应在初期过度优先考虑。通常的策略是：先集中精力提升准确率，确保Agent能正确工作，最后再针对性优化其延迟和成本。总而言之，实际的开发过程是一个 “构建-分析-优化” 的快速、持续迭代的循环。五、高度自主的Agent设计模式1. 规划Planning在这种模式下，我们为LLM提供一系列可用工具，并要求自主规划出完成给定任务的工具调用步骤序列，然后系统按此计划执行。另一种非常有效的规划技术是让LLM生成代码，通过执行代码来完成任务。单纯让LLM输出工具执行步骤会面临挑战：- 任务步骤可能异常复杂，难以用简单序列描述。- 现有工具可能不足以覆盖所有场景，导致需要频繁添加新工具来处理各种特殊情况。在这些场景下，让LLM生成可执行代码（而非固定的步骤列表）来动态处理流程，就成了一种更强大和灵活的解决方案。研究表明，利用代码执行可以大幅提升Agent处理复杂问题的能力。2. 多智能体工作流当任务过于复杂时，可以由多个专门的智能体协作完成。常见的协作模式有：1）串行智能体：智能体们像流水线一样工作，前一个智能体的输出是后一个智能体的输入。2.）分层智能体：一个主管智能体充当调度器或管理者，它将任务分解并分配给其他子智能体，并汇总和整合它们的工作结果。#ai创造营# #程序员#

14. 如何看待我国手机厂商智能体扎堆GUI模式，但苹果三星谷歌等均以A2A为主？

15. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

16. 继昨天Google Agents 白皮书（网页链接），我们今天把mcp的白皮书也总结一下。 Agent Tools & Interoperability with Model Context Protocol (MCP)这应该是目前 MCP 体系最系统的白皮书（之一）了吧，通篇结构清晰，既讲了工具在智能体系统中的定义和设计原则，又深入分析了 MCP 在技术架构、安全与治理方面的优势与风险。1. 工具是智能体的“手与眼”。大模型本质上只是一个模式预测引擎，不能主动感知世界或执行动作。工具让模型拥有了外部交互能力，也因此成为智能体系统的核心组件。文中对工具类型有很清晰的划分：Function Tools（函数调用型）、Built-in Tools（内置工具）和 Agent Tools（智能体级调用）。特别有意思的是，Agent 本身也可以被封装成一个 Tool，这意味着多智能体系统可以通过“工具接口”彼此互操作。2. 工具设计的关键是可解释与细粒度。文档强调“Describe actions, not implementations”，也就是工具描述应聚焦行为语义，而非实现细节。并提出几个值得长期遵守的设计准则：文档清晰、输入输出有 schema 验证、输出简洁、错误信息具引导性。这些看似“文档规范”的建议，其实是让 LLM 能在推理过程中正确选择与调用工具的前提。3. MCP 出现的根本原因，是为了解决“N×M 集成问题”。过去模型和外部系统之间的连接高度碎片化，每个工具都要单独适配。MCP 通过标准化接口和通信协议把模型、工具和数据源解耦，形成“Host–Client–Server”的三层结构，从而实现了可复用、可组合、可动态发现的工具生态。4. MCP 的优势在于生态与扩展性。它让工具注册、发现与调用变得统一，支持动态工具加载，这使得智能体系统不再需要在部署前定义好所有能力。文中提到 MCP Registry 的构想（类似 npm 或 PyPI），也许会形成 AI 工具层的“包管理体系”。这将极大加速企业级智能体生态的互通。5. 但 MCP 也带来了新的安全威胁。白皮书后半部分几乎一半篇幅都在讨论风险，包括： 1）Dynamic Capability Injection：服务器可动态更改工具集，导致智能体意外获得高危能力； 2）Tool Shadowing：恶意工具通过相似描述“抢占”合法工具调用； 3）Confused Deputy 问题：智能体误用自身权限代替用户执行越权操作； 4）数据泄露与 prompt 注入：通过工具输入输出通道泄露敏感信息。文中提出的防御策略（如工具白名单、版本固定、mTLS、HIL 审批、输出净化、最小权限原则等）都是非常实用的企业级落地建议。6. MCP 的发展路径很可能会复现云计算早期的模式——底层协议开放，但企业实际使用都建立在“托管与治理层”之上。未来我们也许会看到“安全版 MCP 平台”，它提供身份管理、审计追踪、工具签名验证、访问控制等功能，就像当年的 API Gateway 成为了 REST 的守门人。7. 另一点值得注意的是“上下文膨胀”问题。文中指出，当 MCP 工具数量增多时，所有工具定义都要塞入模型上下文，会导致 tokens 暴涨、推理性能下降。文中提出用“RAG 化的工具检索”替代预加载——先检索，再动态注入。有个名词叫“ToolRAG”。MCP 已经成为智能体生态走向工业级互操作的关键里程碑，但它还远没到“可直接上生产”的成熟阶段。未来的重点不在于“协议标准”，而在于“安全与治理层”的建设。只有当工具、智能体与企业系统之间的边界被有效约束，Agent 才能在真正意义上成为可信的“行动者”。#ai创造营# #程序员#

17. PettingLLMs: 在verl的基础上支持通用的多智能体强化学习训练

18. AI编程大战正式开打！ Claude vs GPT同一天放大招，不是比谁代码写得好，而是AI开始自己组队当项目经理了。#大咖观察 #红衣聊AI #编程 #ChatGPT

19. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

20. Shopify：构建生产级智能体系统的经验

21. 都有这么多 Agent SDK/框架了（我应该没列全吧）一、OpenAI Agents SDKOpenAI 推出的 Agents SDK 是目前最轻量、最直接的 Agent 开发方式。它原生支持 Python 和 TypeScript，语法简洁，几行代码就能让 LLM 调用外部函数、工具或执行任务。1. 与 OpenAI 模型的无缝集成，尤其是函数调用、上下文管理等特性。2. 支持 multi-agent handoff 与任务链式调用，便于扩展复杂逻辑。3. 具备生产友好的可观测性与追踪机制。它非常适合快速原型和中小规模生产项目，是“入门写 agent” 的理想起点。二、LangChainLangChain 几乎是 LLM 应用开发的“标准库”。其 Agents 模块为 LLM 封装了链式推理、工具调用、上下文记忆等能力。1. 概念丰富——有 Chain、Tool、Memory、Agent、Retriever 等模块，适合构建复杂系统。2. 插件与生态极其庞大，几乎支持所有主流模型与数据源。3. 提供跨语言支持（Python 与 JavaScript/TypeScript）。LangChain 上手门槛略高，但生态完整，非常适合需要可扩展架构的项目。三、LangGraph用“流程图”思维管理 Agent 状态。LangGraph 是 LangChain 的“升级版本”，它将 Agent 系统抽象为状态机＋有向图，可以显式地控制 Agent 间的消息流与执行路径。1. 天然适合多 agent 协作、任务编排和状态回溯。2. 支持持久化与可视化，能直观看到系统执行流程。3. 面向生产级场景，具备清晰的错误恢复与检查点机制。如果你想做一个“多 Agent 系统”，LangGraph 几乎是最强大的开源选择。四、Google ADKGoogle 的 ADK（Agent Development Kit）主打可扩展性与安全性。它不是轻量原型工具，而是企业级 Agent 平台。1. 多语言支持，深度集成 Google 生态（Vertex AI、Gemini 等）。2. 工具调用能力极强，可直接对接云服务、API 与企业系统。3. 自带日志、监控、可观测性与治理能力。适合需要在企业内部署、具备高可靠性要求的 Agent 系统。五、SmolAgentsSmolAgents 是Hugging Face推出的一款轻量 Python 库，设计理念是“最小可行 Agent”。1. 安装简单、API 极少，几分钟即可跑通一个工具调用示例。2. 灵活支持 tool 注册与函数调用，但不追求完整框架。3. 适合快速原型、实验性项目或教育用途。如果你希望“几行代码让 LLM 动起来”，SmolAgents 是最轻便的起点。六、AutoGenAutoGen 最初由 Microsoft 研究团队推出，用于多 Agent 间的对话协作。它以“角色对话” 为核心，支持 LLM 代理之间互相交流、分工、调度任务。1. 多 agent 结构灵活，可模拟协作团队。2. 支持复杂任务分配与循环反馈。3. 对研究者和实验系统尤其友好。如果你的目标是研究 agent 交互机制或自动化工作流，AutoGen 是很好的基础。七、MetaGPT角色驱动的 Agent 系统。 MetaGPT 是一个以“AI 团队”为核心的框架，设计理念是让多个 agent 分别扮演项目经理、工程师、设计师等角色，共同产出结果。1. 多角色、结构化协作，任务拆解逻辑强。2. 擅长长链路流程（如产品需求分析→代码生成→测试）。3. 适合自动化软件工程类场景。如果你希望让 LLM 们“像一个团队一样协作”，MetaGPT 是不错的模板。八、Haystack AgentsRAG 与 Agent 的结合体。Haystack 原本是一套开源 RAG 框架，如今扩展出了 Agents 模块。它擅长将检索、知识库与 LLM 推理结合。1. 内置文档检索、索引、管道机制。2. 适合企业知识问答、文档助手类 agent。3. 与 LLM 、数据库和 vector store 的集成成熟。如果你的 agent 核心任务是“带知识的问答”，Haystack 是现成方案。九、Claude Agent SDKAnthropic 推出的开发包。它基于其先前产品 Claude Code 的 agent 引擎（agent harness）构建，目的在于为开发者提供“从模型调用 + 工具调用 +流程控制 +状态管理”这一整套能力。1. 上下文管理自动化：自带对话／会话上下文的压缩与管理机制，避免因上下文过长导致模型性能下降。 2. 丰富的工具生态：包含文件操作、代码执行、网络搜索等内置工具，并支持扩展自定义工具／插件。 3. 权限与安全机制：可以细粒度控制 agent 可使用的工具、权限模式（例如 allowedTools、disallowedTools）等。 4. 生产化准备特性：例如会话管理、错误处理、监控能力、模型优化／提示缓存机制。 5. 插件和扩展支持：通过插件机制（如自定义命令、子 agent、技能集、MCP 服务器）可创建复杂系统。#ai创造营# #程序员#

22. 《Towards a Science of Scaling Agent Systems》在多智能体系统（MAS）与单智能体系统（SAS）之间，究竟何时“多代理合作”能真正提升性能？《Towards a Science of Scaling Agent Systems》为我们揭示了首个定量科学框架，系统探索了代理数量、协调结构、模型能力与任务属性之间的复杂交互。核心发现如下：1. 工具协同的权衡博弈任务中工具种类越多，MAS的协调开销越大，反而可能拖累整体效率。例如在复杂工具环境下，单智能体因无额外通信开销，反而表现更佳。这打破了“多代理越多越好”的迷思。2. 能力饱和阈值当单智能体基线准确率超过约45%时，增加代理数反而出现负收益，协调成本超过性能增益。说明高水平模型不一定适合盲目扩展多代理协作。3. 架构相关的误差放大效应独立代理系统因缺乏交叉验证，错误传播可达单体的17倍，严重影响结果质量；而集中协调架构通过协调者检验，能将误差放大控制在4倍以内，显著提升鲁棒性。4. 任务结构决定最佳架构 - 并行可分解的任务（如金融分析）中央集权架构优势明显，性能提升高达80.9%。 - 动态环境中的高熵搜索任务（如网页浏览）去中心化架构表现最好。 - 严格的顺序依赖任务（如Minecraft规划）所有多代理架构均表现不佳，甚至退步达70%。5. 性能与成本的非线性关系多代理系统的推理轮数随代理数量呈超线性增长（幂律指数约1.7），固定预算下，单代理的有效推理能力将被稀释，限制了实际可扩展的团队规模至3-4个代理。6. 模型能力的加速回报智能指数的平方项显著正相关，表明能力越强的模型，升级带来的性能提升呈加速趋势。7. 冗余带来的边际效益有限多代理中的任务分工冗余虽有助于错误校正，但其贡献远小于协调开销带来的性能损失，强调了高效协调设计的重要性。此外，研究搭建了180种配置的严格对照实验，涵盖三大主流LLM家族（OpenAI、Google、Anthropic）与多种协调拓扑结构（独立、集中、去中心化、混合），跨四类多样化任务（金融分析、网页浏览、游戏规划、工作流执行），确保结论在任务和模型间的广泛泛化。这项工作首次提出一个可预测性能的混合效应模型（交叉验证R²=0.513），能够基于任务的工具复杂度、单体基线表现及协调效率，准确预测最优的代理架构，指导科学合理地部署多代理系统，告别经验主义。启示与展望：- 多代理系统不是“越多越强”，而是“适合的架构+匹配的任务结构”带来实质收益。- 任务的顺序依赖性、工具多样性和环境动态性是决定多代理成败的关键。- 协调设计需兼顾效率与错误控制，避免过度通信导致的性能灾难。- 未来研究应探索异构模型团队、工具访问调度及多模态环境中的协调机制，突破当前规模和效率瓶颈。这篇论文为多智能体系统的科学化设计奠定了坚实基石，为实际部署提供了首个可量化、可预测的理论指导，推动从“更多代理”走向“更优协调”的智能体发展新阶段。详细阅读请见：arxiv.org/abs/2512.08296

23. 基于 Spring AI Alibaba + Nacos 的分布式 Multi-Agent 构建指南

24. 构建专业智能体：从通用 AI 到企业级应用的工程化实践

25. 蚂蚁灵光，30秒生成专属程序，普通人也能手搓代码 #蚂蚁灵光 #AI #阿里

26. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

27. 泰山先进发布新一代具身智能体平台重构城市数字与物理世界连接2025年12月，泰山先进技术团队正式推出具身智能体融合平台，通过“叙事-实体-融合”技术，将物理世界中的设备、人员、场景转化为可自主交互、协同的智能体，实现数字世界与现实场景的深度耦合。该平台核心特性包括三大创新：一是虚实融合的智能体模型，通过本体（物理实体）、实体（数字映射）、虚体（AI能力载体）三层架构，让路灯、环卫车、垃圾桶等设备具备拟人化对话与自主决策能力——例如灌溉设备可结合天气预报自动调整作业计划，智能厕所能实时反馈使用状态；二是生产关系约束机制，严格遵循现实场景中的组织规则（如环卫班组分工），确保智能体通信与协同符合业务逻辑；三是跨平台协同协议，突破现有MCD、API等协议限制，实现多行业智能体的无缝对接。目前平台已在智慧环卫领域落地验证，并快速扩展至农业（蔬菜大棚智能设备管理）、文旅（苏州平江路街区游客服务）等场景。其产品架构采用“双引擎”模式，在不改造客户现有业务系统的前提下，通过“智能体中间层”实现快速部署，支持SaaS与私有化两种模式。据团队透露，该技术与国务院《人工智能行动意见》中“设备与智能体融合”方向高度契合，未来将推动城市向“全要素智能体互联”的下一代互联网形态演进。相关技术细节可通过泰山先进公众号查询。

28. AI革命不是让你去学写代码，而是让你学会指挥AI干活。 #大咖观察 #红衣聊AI #科技改变生活 #人工智能

29. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

30. 4倍动态清晰度？G-SYNC Pulsar又是啥？硬核电竞显示器AGON爱攻AG276QSG2上手

31. 拉斯维加斯CES现场传来重磅消息，吉利直接放大招，宣布全域AI技术体系正式升级到2.0时代啦——核心亮点当属WAM世界行为模型，这套“整车大脑”通过分层设计与人类在环价值体系，让汽车首次拥有“世界观”和“判断力”，彻底摆脱“指令执行者”的冰冷定位，实现自我反思与持续进化此次升级达成“智能体化”与“引擎化”双重突破：“1+2+N”多智能体框架让座舱、智驾、底盘无缝协作，一句指令即可触发连环操作；公共技术引擎则实现核心AI能力全域共享，效率倍增、超拟人情感智能体Eva堪称惊喜担当~从功能模块进化为整车智能中枢的它，凭借吉利全域AI技术体系与星睿AI大模型等多模型加持，不仅99.8%唤醒成功率、10轮连续对话无压力，还能动态记忆用户习惯，听懂模糊需求并自主规划行程，用“高情商唠嗑+主动关怀”完成从“通用AI”到“个人AI”的跨越。最后必须提一嘴吉利的成绩单，2025年销量突破302万辆，新能源近169万辆，同比暴涨90%！2026年，在全域AI 2.0的加持下，吉利计划推出10款全新车型，冲刺345万辆销量目标，向着“全球智能汽车引领者”全力冲刺！#全域AI能给汽车带来什么#

32. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

33. Dify 官方上架 Nacos A2A 插件，补全双向多智能体协作能力

34. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

35. 全新旗舰折叠华为Mate X7这次真的把AI带进了新阶段！#华为折叠屏首发A2A智能体协作#首发搭载鸿蒙6和A2A智能体协作功能，让小艺能直接调动其他应用的智能体协同服务。比如出差时只需说一句"选个能看日落的位置"，小艺就会通过深圳航空智能体帮你搞定座位；想知道股市行情，东方财富智能体立刻就能把数据呈上。完全不用来回切换APP，一句话就能让多个智能体为你工作。这种无缝衔接的体验才叫真正的智能升级，已经有点迫不及待想上手试试了！

36. 语音智能体商业落地的教训、经验与实践｜李沐硅谷101年度线下大会演讲（全英）

37. 大疆司空 2 重磅升级，引入智能算法与大模型 | 见云见智

38. 打算试试 Vibe Kanban 。一个面向 AI Vibe Coding 工作流管理的平台，它通过看板界面帮助我们规划、协调、执行和审查由多种 AI 编码智能体（coding agents）生成的任务。支持 Claude Code、Gemini CLI、Amp、OpenAI Codex 等。项目的设计理念：当大量代码由 AI 生成时，开发者的主要工作将聚焦在任务规划、结果审查与协调管理上，而不是单纯写代码。项目：github.com/BloopAI/vibe-kanban#ai创造营# #程序员#

39. Cursor 如何将其编程智能体投入生产环境

40. 当你还觉得AI只是“辅助工具”时，它早已在改写很多行业的游戏规则了。#大咖观察 #红衣聊AI #AI工具 #智能体

41. 很多人让我比较AI和互联网谁的机会更大，别急，看完这条视频，咱们一起聊聊。#大咖观察 #红衣聊AI #智能体 #互联网

42. #华为折叠屏首发A2A智能体协作# 华为Mate X7率先实现A2A智能体协作商用，小艺智能体能力从单点响应升级为多智能体协同。无需切换应用，一句指令即可串联专业智能体：工作中，邮件、日程、文档智能体联动处理办公事务；生活里，出行、支付、家居智能体完成全流程服务。Mate X7打破应用生态壁垒，成为全场景智能中枢，也为折叠屏行业划定智能交互新方向。关注新品发布会，解锁全新体验。

43. 无问芯穹首曝智能体服务平台，以基础设施加速企业级「智能体自由」

44. 全面战胜ReAct！斯坦福全新智能体推理框架，性能提升112.5%

45. 全球首家无人公司来了！一整个AI团队替人上班，不吃饭不摸鱼，普通人的数字员工时代真的来了吗？#大咖观察 #红衣聊AI #智能体 #AI时代

46. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

47. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

48. Agent-Kernel ，浙大搞得一款用户友好的多智能体系统开发框架，深度赋能大规模社会模拟，为探索大规模群体智能提供无限可能。github.com/ZJU-LLMs/Agent-Kernel/Agent-Kernel 支持：运行时动态增减大模型智能体；智能体数量无限扩展；模拟过程中实时干预；智能体行为和大模型输出的验证与审查；跨模拟场景代码复用。Agent-Kernel 已成功应用于多个复杂的社会模拟场景：图1 25 号宇宙，模拟著名的“25 号宇宙”社会学实验，以探索人口密度、社会结构与行为异常之间的关系。图2 浙江大学校园生活，构建高保真度的校园环境模拟，用于研究行人流动动态、资源分配和社会互动模式。#AI创造营##科技先锋官#

49. 【LLM智能体正在成为新一代高级编程语言】一个大胆的假设：C语言之于汇编，Java之于C，Python之于Java，现在LLM智能体正在对所有编程语言做同样的事。这里说的LLM智能体，指的是一种全新的开发模式：多个智能体并行工作，大部分时间自主运转，只在关键节点需要人类介入。判断这个假设是否成立的标准很简单：如果一个开发者借助多智能体能产出十倍于从前的成果，那它就是真的。2026年初的今天，我还不能完全确定，但已经在认真考虑这种可能性。对于在软件行业摸爬滚打多年的人来说，质疑声不会少。先回应几个常见的：“十倍代码量不等于十倍产出，那只是垃圾代码。”没错，衡量标准应该是实际交付的功能价值，不是代码行数。如果假设成立，真正的“代码”其实是你给LLM的指令。“LLM是给不会写代码的人用的。”LLM确实会带来大量新程序员，但这不意味着老手用不上。事实上，很多资深开发者正在借助LLM实现产出的飞跃。“用LLM就是偷懒不想动脑。”恰恰相反。当你用LLM做更多事情时，你需要思考和工作得更多，而不是更少。管理一支智能体舰队比自己写代码更费心力，因为你要设计的东西是原来的好几倍。“LLM会让我们的编程技能退化。”可能吧。但我们在工作中也不会担心汇编或C语言技能生疏。大多数人只在业余时间练习这些，因为没人能证明用汇编写业务代码会更高效。“LLM写的代码比我差太多。”几乎肯定如此。但你的汇编代码也比不上专家。只要LLM生成的代码足够高效，能跑起来，就已经可以交付了。系统会丑一些，但它能用。“用LLM智能体太贵了。”如果它们能带来50%的生产力提升，对比你的薪资，其实一点都不贵。而且LLM只会越来越便宜。它们只在绝对值上贵，相对值上并不贵。“我试了一下午，纯粹浪费时间。”学习曲线是存在的。想想你当初花了多少时间和编程工具、语法搏斗，才勉强上手。以上这些反对意见在逻辑上都站不住脚，但情感上确实不容易接受。真正触及核心的问题有两个：质量和可理解性。LLM生成的代码会不会很快变成一堆垃圾？我们是不是在沙子上建房子？LLM生成的代码量会不会大到我们永远无法理解？即使系统能跑，我们是否会因为不理解而永远失去控制？我认为质量和可理解性应该成为任何LLM编程框架的核心目标。从经济角度看，只追求质量是不够的。可理解性可能是浪漫主义的幻想，也可能是一个值得押注的长期赌注。我选择后者。有趣的是，LLM比以往任何高级语言都更具非确定性。但它们也能在高层次描述上帮你理清思路，这是以前任何抽象层都做不到的。未来的开发会是什么样子？我看到四个核心要素：文档是一组描述系统规格的页面，包括目的、核心实体、接口、约束、关键流程和编码规范；实现是代码库加上所有数据，代码库应该能从文档重建，数据应该与文档描述一致；对话是多个智能体在执行任务时产生的思考流，人类可以随时查看或介入；任务是一组动态的离散工作单元，可以嵌套，有状态追踪。两个存量，两个流量。文档和实现是系统的积累，对话和任务是构建它们的过程。人类当然可以直接修改文档和实现，但这种情况会越来越少，因为大部分工作流是智能体驱动的，人类主要在与智能体交互。智能体可以扮演多种角色：独立完成任务的执行者、协调下一步的管理者、试图破坏新功能的测试者、脱离上下文审查代码的评审者、解决冲突的合并者。重要的是人类可以灵活配置，指令可以是一次性的，也可以是文档的一部分。MCP协议带来了一个打破应用孤岛的机会。它可以被视为一种通用的数据请求接口，让你的智能体能够从任何现有应用中提取功能和数据，放到你自己设计的动态画布上。你可以说“从某个系统给我拿这些数据”，LLM就会去取，然后在你想要的地方做一个漂亮的即时可视化。这才是真正的孤岛终结者。如果我们用一个好的底层基座而不是臃肿的技术栈，LLM输出的代码量会大幅减少，也更容易理解。系统的前端变成了文档和智能体，后端变成了基座。还有一些开放问题：文档和对话如何与实现一起存储？版本控制系统怎么用？这些都等待探索。federicopereiro.com/llm-high/

50. 每日认识一款电脑华为 Atlas企业级：Atlas 800 系列 AI 服务器/一体机- 核心：集成 Atlas 300 加速卡，搭载鲲鹏或 x86 处理器。- 用途：面向企业提供一站式 AI 平台，适用于中心侧 AI 推理、深度学习模型开发与训练，兼顾高性能与能效

51. 收手吧GPT-5-Codex，外面全是AI编程智能体！

52. 企业级AI应用落地：森马如何通过AI网关解决大模型“多而杂、难观测、不稳健”的挑战？

53. 用我们自家的AI，普通人也能享用优秀分析师的服务#AI #Reportify #商业研究 #智能体

54. 多智能体系统崛起

55. 什么是多智能体系统？-AI小知识

56. 2026开年AI智能体技术爆发

57. 从单体到蜂群

58. 不知道什么是多智能体系统？看这篇文章就够了！

59. 2026 年智能体架构综述

60. 智能体技术加快多场景应用

61. 多智能体系统效率真相

62. 3 个标准决定！单智能体还是多智能体系统

63. AI Agent架构的灵魂拷问

64. Claude最新论文原文:构建多智能体系统

65. AI设计模式

66. 扩展多智能体系统的科学

67. DeepMind 新研究

68. 多智能体不是越多越好，Google 给出第一性原理

69. Agent设计模式（七）

70. 集体多智能体式推理。📚arXiv: 2601.12538 (Section 5)

71. Agentic Reasoning for Large Language Models 综述

72. 大语言模型技术百科

73. AI算法大模型面试 | 多agent怎么协作

74. Day 17｜AI 多智能体协作

75. [Anthropic-25.6.13] How we built our multi-agent research system

76. 06. 「AI Agent」- Multi Agent简单示例

77. 多智能体系统

78. 系统架构师

79. 构建高级 Agent 系统的思路与 Instruction 编写方法论

80. AiAgent最新进展

81. 企业级AI智能体开发宝典

82. 2026年，AI+数据分析有望迎来多智能体时代

83. AI Agents vs. Agentic AI

84. 每日GitHub精选

85. 开源大神曝新操作！多AI编码智能体同时用，效率是否能提升？

86. 2025-2026多智能体协作有效性实证

87. 多智能体协作编程是AI编程的未来吗？全网观点大PK

88. 科学家发现模型单次处理容量上限，多智能体成破局关键

89. 多智能体协作 Multi-Agent | Agentic Design Patterns | 智能体设计模式

90. 真机智能刘智勇

91. 《智能体设计模式》之多智能体协作模式

92. 2026企业级生产力革命

93. 2026 企业级可信智能体实测

94. 2026企业级AI智能体怎么选？DeepMiner以多智能体协同架构，破解低幻觉决策难题

95. 2026DeepMiner低幻觉AI模型，企业级AI智能体告别“数据幻觉”！

96. 多智能体协作:浪潮海岳解锁企业智能化新范式

97. AI+生态中智能体与非智能体的协同也很重要

98. 智能体技术的发展现状与未来展望

99. 多智能体的简介

100. 清华 iAgents丨每个人都有一个智能体当助手,全公司能一起摸鱼吗?

101. Docs

102. 【团队效率倍增器】:智能体协作模式,如何优化团队工作流程

103. 具身智能的“大脑-小脑-肢体”协同难在哪？

104. AI智能体遭遇责任壁垒,Mixus推出人工监督解决方案

105. 智能体开启AI新赛道

106. 学界 | DeepMind 在多智能体强化学习方面又有了新进展,最新成果登上 Science 杂志!

107. 深度 | OpenAI提出强化学习新方法:让智能体学习合作、竞争与交流

108. 多智能体系统怎么分工才不内耗？一张“职责矩阵”解决80%混乱

109. AI大模型爆火Agent(打造专属LLM智能体)

110. 多智能体协作竟有最佳策略？谷歌MIT新研究

111. 用于具身大语言模型的多智能体协作框架研究DR.WELL：基于符号世界模型的动态推理与学习，任务完成率100%，步骤减少30%

112. 技术速递｜GitHub Copilot SDK 与云原生的完美融合

113. 效率提 3 倍，成本降 40%！2026 智能体真实数据不夸大

114. 通过进化协调实现多智能体协作

115. 2.6-1|多模态与多智能体系统：ERNIE 5.0技术报告;端到端的智能体强化学习框架,智能体横向并行扩展

116. 耶鲁&芝加哥团队：同时微调多个智能体

117. 有哪些最优化算法可以做全局优化？LLM智能体工作方式与分布式计算有什么异同？分层强化学习和多智能体强化学习有什么区别？智能体主题

118. 2024多智能体协作爆发：实证研究揭示适用边界，标准化与工程化加速推进

119. 多智能体协作实证研究揭示：系统设计缺陷致86.7%失败率，任务-架构错配成关键瓶颈

120. 告别混乱的工作流！西安交大提出HTAM分层任务抽象，打造专业的地理空间分析代理EarthAgent

121. 【强烈收藏】告别单体LLM局限：一文掌握Multi-Agent系统架构与框架实战指南

122. 2025 ACL 主会论文中 Multi-Agent 相关研究

123. AI Agent 开发框架大比拼

124. 多智能体协作是AI编程的未来吗？全网观点大PK

125. 技术速递｜为 GitHub Copilot 构建智能体记忆系统

126. 多智能体研究框架：架构、工具与记忆

127. 关于 multi-agent 的一些记录

128. 基于大模型的多智能体系统最新前沿工作汇总(23~25)

129. 潜在协作革命：LatentMAS如何让多智能体系统告别文本低效时代

130. 基于LLM的多智能体系统真的在协同合作吗

131. 智能体：概念、工作原理与发展路径解析

132. 每日Paper：多智能体｜懒惰代理兴奋🔥

133. AI+Agent+智能体技术发展报告

134. 大模型Agent开发框架哪家强？12项Agent开发框架入门与选型

135. LLM智能体的工作方式与分布式计算、群体智能（swarm intelligence）有什么异同？

136. 大语言模型学会"讨论"了？多智能体交互学习让AI推理能力暴增5%

137. 别再死磕IDE了！OpenAI Codex独立App上线，多智能体替你写代码

138. 【Daily Paper】Agent Lightning：面向任意AI Agents的强化学习框架

139. 智能体综述：探索基于大型语言模型的智能体：定义、方法与前景

140. Multi-Agent框架如何破解汽车金融业务流程难题？| 创新场景

141. 技术速递｜从概念到代码：使用 Microsoft Foundry 构建生产就绪的多智能体系统

142. 浙大等多团队：联合综述 LLM 驱动 AI 智能体通信：协议、风险与防御全解析

143. 多智能体强化学习：RL 版本的双人成行！

144. 【首席观点】丨智能体互联系列国标草案的理解（6）：智能体交互

145. 多智能体系统架构设计：从单智能体到AI团队的四种协作模式与技术演进

146. 多智能体协作（Multi-Agent Collaboration

147. 首次公开！重构智能体生产！无问芯穹推出基础设施智能体蜂群

148. 人定流程、LLM 路由、Agent 自组织 —— 一个框架统一三种多智能体编排范式

149. 智能体（Agent）与智能体通信：给网络带来的质变与量变（附下载）

150. 2026 职场智能体爆火！多线程工作要不要用？

151. 智能体通信协议

152. 在GitHub上同时使用Claude、Codex和Copilot - Agent HQ完整指南

153. 一文讲清：AI智能体的通信协议是什么？

154. 多智能体AI框架能否替代传统团队协作？全网观点大PK

155. 2025年AI Agent国内外行业发展全景

156. 智能体通信网络赋能新型服务供给和网络架构演进

157. 《实现协同自主：从人机协作到多智能体系统》最新190页

158. Agent 智能体实战课- 0基础搭建自动化副业提效系统

159. STRMAC状态感知框架：多智能体协作的新突破

160. MiroMind发布MATPO方法实现多智能体动态角色切换，GAIA-text准确率提升至42.6%，但系统复杂度与训练成本显著增加

161. 智能体（Agent）基本概念与概述

162. 动态多智能体协作

163. 【超爽中英】吴恩达手把手教《构建和评估数据智能体》（附代码）：Building and Evaluating Data Agent——大模型/LLM/Agent

多智能体系统效率实证：并行任务性能提升80.9%，但顺序依赖任务下降超70%

精选参考来源